基于多深度模型的航拍绝缘子图像识别方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 绝缘子图像识别方法研究现状 | 第10-11页 |
| 1.2.2 基于深度模型的目标识别方法研究现状 | 第11-12页 |
| 1.2.3 基于深度模型的特征表达方法研究现状 | 第12页 |
| 1.2.4 基于深度学习的绝缘子识别方法研究现状 | 第12-13页 |
| 1.3 论文主要工作及内容安排 | 第13-15页 |
| 第2章 基于并行卷积神经网络的多角度绝缘子识别 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 基于并行卷积神经网络的识别方法 | 第15-19页 |
| 2.2.1 并行深度特征提取 | 第16-17页 |
| 2.2.2 特征融合及排序 | 第17-18页 |
| 2.2.3 特征维度选择 | 第18-19页 |
| 2.3 实验结果及分析 | 第19-24页 |
| 2.3.1 多角度红外绝缘子识别 | 第19-22页 |
| 2.3.2 多角度场景识别 | 第22-24页 |
| 2.4 小结 | 第24-25页 |
| 第3章 基于深度卷积特征图聚合的绝缘子识别 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 红外绝缘子图像识别数据库扩增 | 第25-27页 |
| 3.3 基于深度卷积特征图聚合的特征表达方法 | 第27-33页 |
| 3.3.1 深度卷积神经网络 | 第28-29页 |
| 3.3.2 VLAD特征聚合 | 第29-31页 |
| 3.3.3 深度卷积特征图聚合 | 第31-33页 |
| 3.3.3.1 特征图提取 | 第31-32页 |
| 3.3.3.2 特征图聚合 | 第32-33页 |
| 3.4 实验结果及分析 | 第33-35页 |
| 3.5 小结 | 第35-37页 |
| 第4章 基于层熵与相对层熵的绝缘子识别 | 第37-51页 |
| 4.1 引言 | 第37页 |
| 4.2 基于层熵与相对层熵的特征表达方法 | 第37-45页 |
| 4.2.1 深度卷积神经网络激活提取 | 第39-41页 |
| 4.2.2 基于层熵与相对层熵的特征表达层选择 | 第41-42页 |
| 4.2.3 基于重要度的层内特征图数量选择 | 第42-45页 |
| 4.2.4 基于VLAD的特征图聚合 | 第45页 |
| 4.3 实验结果及分析 | 第45-50页 |
| 4.3.1 红外绝缘子图像识别 | 第46-48页 |
| 4.3.2 公共数据集图像识别 | 第48-50页 |
| 4.4 小结 | 第50-51页 |
| 第5章 结论与展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 攻读硕士学位期间参加的科研工作 | 第57-58页 |
| 致谢 | 第58页 |
